Análisis de datos de energía para medidores inteligentes

En los últimos años, la industria eléctrica ha sido testigo de desarrollos considerables en el análisis de datos en los procesos de generación, transmisión, equipamiento y consumo.

También se han establecido cada vez más proyectos sobre análisis de datos de medidores inteligentes. La Fundación Nacional de Ciencias (NSF) de los Estados Unidos proporciona una subvención estándar para la investigación interdisciplinaria sobre análisis de big data de redes inteligentes. Varios proyectos para el análisis de datos de medidores inteligentes cuentan con el apoyo del Centro de Innovación CITIES en Dinamarca. Estos proyectos investigan técnicas de aprendizaje automático para datos de medidores inteligentes para

mejorar la previsión y las oportunidades de ahorro de dinero para los clientes. Bits to Energy Lab, que es una iniciativa de investigación conjunta de ETH Zurich, la Universidad de Bamberg y la Universidad de St. Gallen, ha lanzado varios proyectos para el análisis de datos de medidores inteligentes para la segmentación de clientes y servicios de eficiencia escalables. El Siebel Energy Institute, un consorcio global de investigación energética innovadora y colaborativa, financia subvenciones de investigación cooperativa e innovadora para el análisis de datos en redes inteligentes. Mientras tanto, la Fundación Nacional de Ciencias de China (NSFC) y el Programa Nacional de Investigación y Desarrollo Clave de China están aprobando cada vez más proyectos relacionados con el análisis de datos en el campo de las redes inteligentes, como el Programa Nacional de Investigación y Desarrollo de Alta Tecnología de China (Programa 863) titulado Tecnologías clave de Big Data Analytics para distribución y utilización inteligente. ESSnet Big Data, un proyecto dentro del sistema estadístico europeo (ESS), tiene como objetivo explorar las aplicaciones de big data, incluidos los medidores inteligentes. El paquete de trabajo del proyecto ESSnet Big Data se concentra en el acceso a datos de medidores inteligentes, el manejo y la implementación de metodologías y técnicas para el análisis de datos de medidores inteligentes. Los institutos nacionales de estadística de Austria, Dinamarca, Estonia, Suecia, Italia y Portugal llevan a cabo este proyecto de forma conjunta.

Además de la investigación académica, el análisis de datos ya se ha utilizado en la industria. En junio de 2017, SAS publicó los resultados de su encuesta de análisis industrial.

Esta encuesta tuvo como objetivo proporcionar los problemas y las tendencias que dan forma a cómo las empresas de servicios públicos implementan datos y análisis para lograr los objetivos comerciales. Hay 136 empresas de servicios públicos de 24 países que respondieron a la encuesta. Los resultados indican que las áreas de aplicación del análisis de datos incluyen pronósticos de energía, análisis de medidores inteligentes, gestión/análisis de

activos, operación de la red, segmentación de clientes, comercio de energía, crédito y cobro, análisis de centros de llamadas y compromiso y mercadeo de programas de respuesta a la demanda y eficiencia energética. Más y más científicos de datos de energía serán capacitados conjuntamente por universidades e industria para cerrar la brecha de talento en el análisis de datos de energía. Mientras tanto, el privilegio de los medidores inteligentes y la desregulación del lado de la demanda están acelerando el nacimiento de muchas nuevas empresas. Estas nuevas empresas intentan recopilar y analizar datos de medidores inteligentes y proporcionar información y servicios de valor agregado para que los consumidores y minoristas obtengan ganancias. Se pueden encontrar más detalles sobre las aplicaciones industriales en los negocios de las nuevas empresas basadas en análisis de datos.

La analítica se conoce como el proceso científico de transformar datos en información para tomar mejores decisiones. Por lo general, se divide en tres etapas: análisis descriptivo (cómo se ven los datos), análisis predictivo (qué sucederá con los datos) y análisis prescriptivo (qué decisiones se pueden tomar a partir de los datos). Esta revisión del análisis de datos de medidores inteligentes se lleva a cabo desde estos tres aspectos.

La figura 3, muestra los cinco actores principales del lado de la demanda del sistema eléctrico: consumidores, minoristas, agregadores, operadores de sistemas de distribución (OSD) y proveedores de servicios de datos. Para los minoristas, se deben realizar al menos cuatro negocios relacionados con el análisis de datos de medidores inteligentes para aumentar la competitividad en el mercado minorista.

1. Pronóstico de carga, que es la base de la toma de decisiones para la optimización de la compra de electricidad en diferentes mercados para maximizar las ganancias.

2. Brindar un buen servicio a los consumidores, que puede implementarse mediante la segmentación y caracterización de los consumidores.

3. Diseño de precios para atraer a más consumidores.

4. Detección anormal para tener un conjunto de datos más limpio para un análisis más detallado y disminuir la pérdida potencial por robo de electricidad.

Figura 3

Participantes y sus negocios del lado de la demanda

Para los consumidores, la previsión de carga individual, que es la entrada de los futuros sistemas de gestión de energía doméstica (SGED), se puede realizar para reducir su factura de electricidad. En el futuro mercado peer-to-peer (P2P), la previsión de carga individual también puede contribuir a la implementación de energía transactiva entre consumidores. En el caso de los agregadores, delegan en un grupo de consumidores la respuesta a la demanda o la eficiencia energética en el mercado auxiliar. Deben desarrollarse técnicas de evaluación del potencial de respuesta a la demanda y previsión de carga a nivel de agregación. Para OSD, los datos de medidores inteligentes se pueden aplicar a la identificación de la topología de la red de distribución, la gestión óptima de la energía del sistema de distribución, la gestión de interrupciones, etc. Los proveedores de servicios de datos necesitan recopilar datos de medidores inteligentes y luego analizar estos datos

masivos y proporcionar información valiosa para minoristas y consumidores para maximizar las ganancias o minimizar los costos. Proporcionar servicios de datos, incluida la gestión y el análisis de datos, es un modelo comercial importante cuando se recopilan y procesan cada vez más datos de medidores inteligentes.

Para respaldar los negocios de minoristas, consumidores, agregadores, OSD y proveedores de servicios de datos, siguiendo las tres etapas de análisis, a saber, análisis descriptivo, predictivo y prescriptivo, las principales aplicaciones del análisis de datos de medidores inteligentes se clasifican en análisis, pronóstico de carga y gestión de carga, etc.

La taxonomía detallada se ilustra en la Figura 4. Las técnicas de aprendizaje automático utilizadas para el análisis de datos de medidores inteligentes incluyen análisis de series temporales, reducción de dimensionalidad, agrupación, clasificación, detección de valores atípicos, aprendizaje profundo, matriz de rango bajo, detección comprimida, aprendizaje en línea, etc. Los estudios sobre cómo funciona el análisis de datos de medidores inteligentes para cada aplicación y qué metodologías se han aplicado se resumen en las secciones posteriores.

Figura 4

Taxonomía de análisis de datos de medidores inteligentes

Aquí intentamos proporcionar una revisión exhaustiva de la investigación actual en los últimos años e identificar los desafíos futuros para el análisis de datos de medidores inteligentes. Tenga en cuenta que los datos de cada segundo o de mayor frecuencia utilizados para el monitoreo de carga no intrusivo (MCNI) son muy limitados en la actualidad debido al alto costo de comunicar y almacenar los datos. La mayoría de los medidores inteligentes recopilan datos de consumo de electricidad con una frecuencia de cada 15 minutos a cada hora.

2.2.3.1 Análisis de carga

La figura 5, muestra un ejemplo de ocho perfiles típicos de carga residencial diarios normalizados obtenidos mediante el algoritmo simple k-means en el conjunto de datos de carga de residentes.

Figura 5

Perfiles típicos de carga residencial diaria normalizada

Los perfiles de carga de diferentes consumidores en diferentes días son diversos.

Tener una mejor comprensión de la volatilidad y la incertidumbre de los perfiles de carga masiva es muy importante para un análisis de carga adicional. En esta sección, se revisan los

trabajos sobre análisis de carga desde las perspectivas de detección de anomalías y perfilado de carga. La detección de anomalías es muy importante porque entrenar un modelo como un modelo de pronóstico o un modelo de agrupamiento en un conjunto de datos de medidores inteligentes con datos anómalos puede resultar en un sesgo o una falla en la estimación de parámetros y el establecimiento del modelo.

Además, los datos confiables de los medidores inteligentes son importantes para una facturación precisa. Los trabajos sobre detección de anomalías en los datos de los contadores inteligentes se resumen desde la perspectiva de la detección de datos erróneos y la detección de robo de energía. Los perfiles de carga se utilizan para encontrar los patrones básicos de consumo de electricidad de cada consumidor o grupo de consumidores. Los resultados de los perfiles de carga se pueden usar para programas de pronóstico de carga y respuesta a la demanda.

2.2.3.2 Pronóstico de carga

Los pronósticos de carga han sido ampliamente utilizados por la industria de energía eléctrica. Las empresas de distribución de energía se basan en pronósticos a corto y largo plazo a nivel del alimentador para respaldar las operaciones y los procesos de planificación, mientras que los proveedores minoristas de electricidad toman decisiones de fijación de precios, adquisición y cobertura en gran medida en función de la carga pronosticada de sus clientes.

La figura 6, presenta los perfiles de horarios normalizados de una semana para cuatro tipos diferentes de cargas, que incluyen una casa, una fábrica, un alimentador y una ciudad.

Las cargas de una casa, una fábrica y un alimentador son más volátiles que la carga a nivel de ciudad. En realidad, cuanto más alto se mide la carga, más suave suele ser el perfil de la carga. Desarrollar un pronóstico de alta precisión no es trivial en los niveles más bajos.

Figura 6

Perfiles de horarios normalizados de una semana para cuatro tipos de cargas

Si bien la mayor parte de la literatura de pronóstico de carga se ha dedicado al pronóstico en el nivel superior (alto voltaje), la información de los niveles de voltaje medio/bajo, como los alimentadores de distribución e incluso los medidores inteligentes, ofrecen algunas oportunidades para mejorar los pronósticos.

En (Hong & Fan, 2016) se llevó a ejecución una revisión reciente de la previsión de carga, centrándose en la transición de la previsión de carga puntual a la previsión de carga probabilística. A continuación, se revisan la literatura reciente para el pronóstico de carga puntual y probabilística con énfasis en los niveles de media/baja tensión. Dentro de la literatura de pronóstico de carga puntual, dividimos la revisión en función de si se utilizan o no los datos del medidor inteligente.

2.2.3.3 Gestión de carga

La forma en que los datos de los medidores inteligentes contribuyen a la implementación de la gestión de carga se resume en tres aspectos en esta sección: el primero es tener una mejor comprensión de la información sociodemográfica de los consumidores para brindar un servicio mejor y personalizado. El segundo es dirigirse a los consumidores

potenciales para el marketing del programa de respuesta a la demanda. El tercero es el tema relacionado con la implementación del programa de respuesta a la demanda, incluido el diseño de precios para la respuesta a la demanda basada en el precio y la estimación de referencia para la respuesta a la demanda basada en incentivos.

2.2.3.4 Otras aplicaciones

Además de las tres aplicaciones principales resumidas anteriormente, los trabajos sobre análisis de datos de medidores inteligentes también cubren algunas otras aplicaciones, incluida la verificación de conexión de red eléctrica, gestión de cortes, compresión de datos, privacidad de datos, etc.